通用人工智能工具通常无法帮助用户完成独特工作流程中所需的特定任务，因为它们过于通用。即使人工智能工具针对金融或人力资源等特定领域进行了定制，它们也未能增加足够的价值，因为它们仍然不够专业。那么，如何让人工智能工具在实际工作中创造更大的价值？

    在一家财富500强零售公司，领导层为负责起草供应商谈判合同的团队提供了一款人工智能工具，旨在简化他们的工作。该工具由一款广泛使用的大语言模型（LLM）驱动，领导层期望它能通过总结文档、回答内容问题、比较合同等方式，加快团队的工作进度。
    然而，尽管期望很高，该团队的产出却没有变化。虽然该工具可以生成通用文本，例如合同初稿，但团队随后必须针对每个供应商对文本进行定制。对于每份合同，他们仍然必须手动将诸如供应商信息、条款、订单历史和其他细节等关键内容纳入合同。因此，该工具对减轻团队工作量的作用微乎其微。
    这个故事反映了人工智能工具未能兑现承诺的一种常见模式。在我们最近对30家跨行业公司（包括上述合同团队）进行的一项调查中，受访者表示，通用人工智能工具通常无法帮助用户完成独特工作流程中所需的特定任务，因为它们过于通用。即使人工智能工具针对金融或人力资源等特定领域进行了定制，它们也未能增加足够的价值，因为它们仍然不够专业——它们无法转化为组织、团队或流程的特定需求和规范。因此，用户表示他们经常发现人工智能工具和模型“不起作用”或“过于通用”。
    通用人工智能的能力与团队特定且不断变化的需求之间的这种差距，指向了一个更深层次的挑战：当今的工具并非为理解工作实际如何完成而设计。在本文中，我们提出两个关键概念，有助于弥合这一差距：工作图谱（团队工作方式的数字地图）和逆向情境贴合法（根据团队定制人工智能模型）。这些理念有助于解释传统人工智能为何常常不尽如人意，以及组织如何设计出适应真实工作流程、真实用户和真实环境的人工智能系统。

为何人工智能工具未创造价值
    结合合同团队执行的特定流程来考虑这个问题。传统上，为供应商起草新合同时，团队会：
    1. 登录多个系统。2. 检索、分析并审核供应商详细信息。3. 审查供应商的报价以及类似（或相关）供应商的谈判条款。4. 查看供应商的任何相关订单历史。5. 手动起草一份包含所有这些要素的合同。
    合同团队最初采用人工智能工具时，他们的流程从生成一份基本的标准合同开始。从那之后，他们花费大量时间手动完善它。人工智能工具的输出很大程度上基于互联网上公开可用的内容，缺乏合同所需的细致入微、针对特定情境的见解。虽然团队觉得人工智能工具很有趣，但他们很难看到在减少工作量方面有实际效果。
    这就是人工智能“生产力悖论”的一个实例：令人惊叹的技术，如果没有深入的情境适配，就无法转化为切实的生产力提升——这种现象让人想起经济学家罗伯特·索洛的观察：“你可以在任何地方看到计算机时代的影子，但在生产力统计数据中却看不到。”
    强大的人工智能模型之所以出色，是因为它们在海量通用数据集上进行训练，但它们的通用性是一把双刃剑。虽然这些模型可以执行广泛的任务，但它们常常忽略特定工作流程和团队要求的独特情境，从而导致错失提高生产力的机会。

情境决定一切
    人工智能失败的原因与新员工可能难以立即做出贡献的原因相同：它不知道团队是如何完成工作的，在哪里可以找到信息，或者确切地说，该如何处理这些信息。它缺乏真正做出贡献所需的适当情境。
    在公司试用这款人工智能的同时，它也在致力于解决情境问题，通过部署工具来绘制其流程并创建一个“工作图谱”：一个关于团队如何跨系统执行工作流程的实时、动态视图。这些图谱不仅记录了任务，还揭示了决策是如何做出的、参考了哪些数据以及涉及哪些系统。这一点至关重要，因为尽管两个团队可能使用相同的工具，但他们的工作方式往往大不相同。
    起草每份合同所需的数据既不集中也不是静态的，它因供应商而异，分散在多个系统中。团队成员必须定位、解读、核实并整合这些信息，以生成准确的合同。当他们这样做时，他们的行为——浏览系统、查看数据、做出决策——会自动以汇总形式记录在工作图谱中。
    真正的机会就在这里出现：工作图谱包含了经过审核且内容丰富的两个月的活动数据，然后可以用来训练人工智能工具。因为它记录了团队认为重要的所有内容，为人工智能工具提供了经过人工验证的实时情境，使该工具能够以与团队实际工作方式一致的方式开始工作。有了这些输入，人工智能工具能够生成一份完整得多的初稿，减少了反复修改的次数，加快了生成最终可用合同的进程。这种方法将团队起草每份合同的手动工作量减少了一半以上。虽然他们仍然会审核和核实人工智能生成的输出，但所需的反复修改次数大大减少，返工量也少得多。结果，团队在生成合同方面的整体产出提高了近30%。
    然而，要实现这一点，不仅需要正确的数据，还需要正确的方法。传统自动化通常旨在取代人类工作，而这里的目标是根据团队的运作方式定制人工智能，使其更好地为团队服务。为此，我们采用了一种称为“逆向情境贴合法”（RML）的方法。
    为深入理解人工智能的运作原理，人们通常会从人类视角对其展开逆向工程分析。然而，逆向情境贴合法却颠覆了这一思路：它针对人类的工作方式进行逆向剖析——深度探究团队的实际工作流程、决策过程以及所处情境——并借助这些分析成果对人工智能进行定制，从而使其能更出色地为团队服务。这是一种协作模式，而非替代模式。
    你可以将逆向情境贴合法看作是人工智能所做的定制化工作，就像为软件平台所做的定制化一样。但是，定制软件通常意味着改变用户所看到的内容，而逆向情境贴合法改变的是人工智能所理解的内容。它更深入、更贴合情境，最终也更强大。

实施逆向情境贴合法，涉及以下步骤：
1. 绘制工作图谱
    我们从记录合同团队成员在工作中采取的每一步以及人机交互开始：他们如何检索供应商信息，如何进行交叉核对，如何手动将不同来源的数据整合到Excel文件中。所有这些步骤既记录了明确的行动（例如，阅读供应商资料），也记录了支撑工作流程的隐性决策模式（例如，检查供应商是否信用评级不佳）。这种细致入微、高保真的数据是团队本地情境的核心——他们所依赖的线索、认为最重要的信息，以及他们在不同场景下的适应方式。
    在所有组织中，这些数据都提供了团队实际工作方式的详细信息。当将这些丰富的信息输入人工智能工具时，就能将一个通用模型转化为一个高度专业化的工具，使其理解工作中的本地“语言”。因此，领导者必须考虑投资收集这些数据，并将其用作进一步转化的来源，包括为人工智能模型提供情境信息。
2. 根据工作图谱进行微调
    一旦我们绘制出合同团队的工作图谱，就会将其详细的见解作为情境信息，并用于微调驱动人工智能工具的模型。这需要向模型（人工智能工具背后的模型）输入工作模式和数据（例如供应商信息）。这是关键步骤——将团队的本地情境整合到人工智能工具中。通过整合团队日常运营中的特定工作模式和情境线索，人工智能工具生成的合同初稿会包含供应商的一些详细信息、其信用评级的细微差别等。因此，这是一份更完整的初稿。
3. 持续优化
    组织在不断发展。流程会发生变化，新技术会引入，情况和优先级也会改变（例如，团队开始与新地区的新供应商合作）。因此，公司需要不断更新工作图谱，并将新出现的模式反馈到模型中，以使人工智能工具与时俱进。
    例如，合同团队会定期就运用逆向情境贴合法生成的合同质量提出反馈（例如，合同没有准确反映供应商信用评级不佳所产生的影响）。这种反馈被称为基于人类反馈的强化学习（RLHF），用于进一步微调并优化人工智能工具中的模型。因此，人工智能工具会持续适应团队的需求，确保长期保持较高的准确性。
    企业团队依靠内部经验知识运作——即每个团队如何执行工作以及在工作中遇到挑战时的具体解决方案等隐性知识。通过挖掘这些知识并根据这些信息微调模型，我们可以生成更准确、更贴合情境的模型，从而更精准地为团队服务。
    人工智能模型的一个令人兴奋的应用是让它们充当“代理”，即自主运行以执行工作模式。然而，挑战在于，由于这些模型由强大的通用模型驱动，它们可能会遇到同样的通用性问题。为了使智能代理取得成功，它们需要在团队的情境中精确地运行和执行。因此，逆向情境贴合法对于赋能智能代理向团队学习，并借此更精准地为团队提供服务而言，具有至关重要的意义。

CXO们能做些什么？
    通用模型虽然涵盖面令人印象深刻，但往往无法捕捉到推动真正效率和准确性的细致入微的本地情境。CXO们必须认识到，人工智能不是一种“设置好就不用管”的技术。相反，当系统与组织的特定工作模式和决策过程保持一致时，其价值才能得以释放。
    通过投资量身定制的方法，公司可以显著降低错误率，削减运营成本，并最终从人工智能计划中获得更高的投资回报率。在当今竞争激烈的环境中，忽视整合这一层情境洞察力，就意味着错失机会——以及战略优势。
    简而言之，如果你的人工智能战略仅依赖现成的解决方案，你就有可能错过推动真正生产力提升和风险降低的转型。因此，一个完整的人工智能战略必须包括通过本地化洞察进行持续优化，以确保技术投资能够带来即时和长期的价值。